支持向量机集成学习方法研究

支持向量机集成学习方法研究

论文摘要

支持向量机(Support Vector Machine,SVM)是近年来受到广泛关注的一类学习机器,它以统计学习理论(Statistical Learning Theory,SLT)为基础,具有简洁的数学形式、标准快捷的训练方法和良好的泛化性能,已广泛应用于模式识别、函数估计和时间序列预测等数据挖掘问题。但在SVM的研究中仍然存在许多问题尚待解决,例如:模型选择问题、针对大规模训练集的学习效率问题等。目前,在SVM的学习训练过程中,几乎所有研究都以单个支持向量机作为训练器,关于SVM的多学习器学习方法研究甚少。集成学习(EnsembleLearning)技术作为一种有效的多学习器学习方法已获得许多有价值的结果,将集成学习技术引入到SVM学习中,可以更好地提高SVM的泛化能力,因此,基于集成学习的SVM学习方法研究成为目前SVM研究中一个重要的方向。本文对SVM集成学习方法进行了系统地研究,主要内容如下:(1)对于集成学习技术的理论分析、实现方法的设计和实际应用进行了系统地研究。(2)对现有的集成学习方法进行了简要介绍,分析了两种经典的集成学习方法Bagging和Boosting、比较了两者的优缺点、考察了它们的生效机制。(3)提出两种回归SVM集成学习方法,即:基于Bagging的回归SVM集成学习方法和基于参数变换的回归SVM集成学习模型。(4)提出了一种回归SVM选择性集成学习方法,通过采用特定阈值选择合适的子SVM,从而进一步提高整个SVM的效率;分析了阈值变化对选择性集成学习的影响、集成规模与选择性集成规模的关系、集成规模与集成学习效果的关系。(5)通过标准数据集和真实数据集对本文提出的三种方法进行验证,取得了预期效果。本文对回归SVM集成学习方法和选择性集成学习方法进行了初步的研究与探索,作为SVM研究中的一个新问题,本文的研究成果不仅具有重要的理论意义,而且对于实际问题具有直接的应用价值。

论文目录

  • 摘要
  • ABSTRACT
  • 第一章 引言
  • 1.1 研究背景
  • 1.2 国内外研究现状
  • 1.3 论文的主要工作
  • 第二章 统计学习理论和支持向量机
  • 2.1 统计学习理论
  • 2.1.1 学习问题的一般表示
  • 2.1.2 学习机器推广能力的界
  • 2.2 支持向量机简介
  • 2.2.1 支持向量分类机
  • 2.2.2 支持向量回归机
  • 2.2.3 核映射
  • 2.3 本章小结
  • 第三章 集成学习方法的分析与研究
  • 3.1 集成学习方法简介
  • 3.1.1 集成学习方法及实现策略
  • 3.1.2 子学习器的生成方法
  • 3.1.3 子学习器的结合方法
  • 3.2 经典的集成学习方法
  • 3.2.1 Bagging方法及其性能分析
  • 3.2.2 Boosting算法族及其性能分析
  • 3.2.3 Bagging方法与Boosting方法的比较
  • 3.3 本章小结
  • 第四章 支持向量机集成学习方法
  • 4.1 基于Bagging的回归SVM集成学习方法
  • 4.1.1 数据集说明及误差评价指标
  • 4.1.2 实验结果及分析
  • 4.2 基于参数变换的回归SVM集成学习方法
  • 4.2.1 数据集说明及误差评价指标
  • 4.2.2 实验结果及分析
  • 4.3 本章小结
  • 第五章 支持向量机选择性集成学习方法
  • 5.1 选择性集成学习方法
  • 5.2 SVM选择性集成学习方法
  • 5.2.1 基本思想
  • 5.2.2 算法描述
  • 5.3 实验结果及分析
  • 5.4 集成规模对选择性集成的影响实验结果及分析
  • 5.5 本章小结
  • 第六章 结论和展望
  • 参考文献
  • 发表文章目录
  • 致谢
  • 个人简况及联系方式
  • 相关论文文献

    • [1].基于人工鱼群算法的孪生支持向量机[J]. 智能系统学报 2019(06)
    • [2].基于改进支持向量机的温室大棚温度预测[J]. 科技创新与应用 2020(10)
    • [3].结构化支持向量机研究综述[J]. 计算机工程与应用 2020(17)
    • [4].支持向量机理论及应用[J]. 科学技术创新 2019(02)
    • [5].加权间隔结构化支持向量机目标跟踪算法[J]. 中国图象图形学报 2017(09)
    • [6].多分类孪生支持向量机研究进展[J]. 软件学报 2018(01)
    • [7].模糊型支持向量机及其在入侵检测中的应用[J]. 科技创新与应用 2018(11)
    • [8].从支持向量机到非平行支持向量机[J]. 运筹学学报 2018(02)
    • [9].支持向量机的基本理论和研究进展[J]. 长江大学学报(自科版) 2018(17)
    • [10].孪生支持向量机综述[J]. 计算机科学 2018(11)
    • [11].一种新的基于类内不平衡数据学习支持向量机算法[J]. 科技通报 2017(09)
    • [12].分段熵光滑支持向量机性能研究[J]. 计算机工程与设计 2015(08)
    • [13].有向无环图-双支持向量机的多类分类方法[J]. 计算机应用与软件 2015(11)
    • [14].基于支持向量机的股票价格预测模型研究与应用[J]. 课程教育研究 2016(28)
    • [15].灰狼优化的混合参数多分类孪生支持向量机[J]. 计算机科学与探索 2020(04)
    • [16].基于属性约简—光滑支持向量机的中小企业信息化评价研究[J]. 软件工程 2020(07)
    • [17].基于稀疏孪生支持向量机的人脸识别[J]. 信息技术 2020(07)
    • [18].基于总类内分布的松弛约束双支持向量机[J]. 济南大学学报(自然科学版) 2018(04)
    • [19].基于多分类支持向量机的评估模型研究[J]. 数学的实践与认识 2017(01)
    • [20].改进的支持向量机在微博热点话题预测中的应用[J]. 现代情报 2017(03)
    • [21].多核在线支持向量机算法研究及应用[J]. 宜宾学院学报 2017(06)
    • [22].基于改进遗传算法的支持向量机参数优化方法[J]. 计算机与现代化 2015(03)
    • [23].一种层次粒度支持向量机算法[J]. 小型微型计算机系统 2015(08)
    • [24].自训练半监督加权球结构支持向量机多分类方法[J]. 重庆邮电大学学报(自然科学版) 2014(03)
    • [25].四类基于支持向量机的多类分类器的性能比较[J]. 聊城大学学报(自然科学版) 2014(03)
    • [26].一种模糊加权的孪生支持向量机算法[J]. 计算机工程与应用 2013(04)
    • [27].一种采用粗糙集和遗传算法的支持向量机[J]. 山西师范大学学报(自然科学版) 2013(01)
    • [28].基于在线支持向量机的无人机航路规划技术[J]. 电光与控制 2013(05)
    • [29].贪婪支持向量机的分析及应用[J]. 计算机工程与应用 2012(24)
    • [30].一种改进的双支持向量机[J]. 辽宁石油化工大学学报 2012(04)

    标签:;  ;  ;  ;  

    支持向量机集成学习方法研究
    下载Doc文档

    猜你喜欢